論文の概要: From Message-Passing to Linearized Graph Sequence Models

• arxiv url: http://arxiv.org/abs/2605.12358v1
• Date: Tue, 12 May 2026 16:32:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:57.012747
• Title: From Message-Passing to Linearized Graph Sequence Models
• Title（参考訳）: メッセージパッシングから線形化グラフシーケンスモデルへ
• Authors: Joël Mathys, Basil Rohner, Saku Peltonen, Roger Wattenhofer,
• Abstract要約: 線形化グラフシーケンスモデル(Linearized Graph Sequence Models)は、シーケンスモデリングの観点からメッセージパッシンググラフ計算をリキャストするフレームワークである。 グラフ帰納バイアスの学習と保存に有効なシーケンス特性を実証的および理論的に分析する。 本研究は、メッセージパスに基づくグラフ学習に現代シーケンスモデリングの進歩を統合するための原則的な方法を提供する。
• 参考スコア（独自算出の注目度）: 29.713232998353636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Message-passing based approaches form the default backbone of most learning architectures on graph-structured data. However, the rapid progress of modern deep learning architectures in other domains, particularly sequence modeling, raises the question of how graph learning can benefit from these advances. We introduce Linearized Graph Sequence Models, a framework that recasts message-passing graph computation from the perspective of sequence modeling to simplify architectural choices. Our approach systematically separates the computational processing depth from the information propagation depth, allowing core graph architectural decisions to be treated as sequence modeling choices. Specifically, we analyze, both empirically and theoretically, what sequence properties make methods effective for learning and preserving the graph inductive bias. In particular, we validate our findings, demonstrating improved performance on long-range information tasks in graphs. Our findings provide a principled way to integrate modern sequence modeling advances into message-passing based graph learning. Beyond this, our work demonstrates how the separation of processing and information depth can recast central architectural questions as input modeling choices.
• Abstract（参考訳）: メッセージパスベースのアプローチは、グラフ構造化データ上のほとんどの学習アーキテクチャのデフォルトのバックボーンを形成する。 しかし、他の領域における現代のディープラーニングアーキテクチャの急速な進歩、特にシーケンスモデリングは、グラフ学習がこれらの進歩からどのような恩恵を受けることができるのかという疑問を提起する。 線形化グラフシーケンスモデル(Linearized Graph Sequence Models)は、シーケンスモデリングの観点からメッセージパッシンググラフ計算をリキャストし、アーキテクチャ上の選択を単純化するフレームワークである。 提案手法では,計算処理深度を情報伝搬深度から体系的に分離し,コアグラフのアーキテクチャ決定をシーケンスモデリングの選択として扱う。 具体的には、実験的にも理論的にも、どのシーケンス特性がグラフ帰納バイアスの学習と保存に有効かを分析する。 特に,グラフにおける長距離情報タスクの性能向上を実証し,本研究の成果を検証した。 本研究は、メッセージパスに基づくグラフ学習に現代シーケンスモデリングの進歩を統合するための原則的な方法を提供する。 この他に、我々の研究は、処理と情報深度の分離が、どのようにして中央アーキテクチャの問題を入力モデリングの選択として再放送できるかを示す。

関連論文リスト

• Prefetching Cache Optimization Using Graph Neural Networks: A Modular Framework and Conceptual Analysis [0.0]
  本稿では、グラフ構造化データ内のアクセスパターンをモデル化し、予測するためにグラフニューラルネットワーク(GNN)を利用するモジュラーフレームワークを提案する。 複雑な依存関係を学習することで、GNNベースのアプローチが従来の手法より優れていることを示す、詳細な概念分析を提供する。
  論文  参考訳（メタデータ） (2025-10-23T10:35:35Z)
• Towards Graph Foundation Models: Training on Knowledge Graphs Enables Transferability to General Graphs [26.477872205199667]
  知識グラフをトレーニングするために設計された統合グラフ推論フレームワークであるSCRを紹介する。 本稿では,従来のKG推論における意味的分離に対処する新しいメカニズムであるセマンティックコンディショニングメッセージパッシングを提案する。 以上の結果から,既存の基礎モデルよりも大幅な性能向上が見られた。
  論文  参考訳（メタデータ） (2024-10-16T14:26:08Z)
• Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision [51.88848982611515]
  教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。 本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。 我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-03-08T05:23:55Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。